Fugu-MT 論文翻訳(概要): Cohort Organized Learning: Clustering Through Agreement

論文の概要: Cohort Organized Learning: Clustering Through Agreement

arxiv url: http://arxiv.org/abs/2606.21743v1
Date: Fri, 19 Jun 2026 21:00:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 03:36:43.783858
Title: Cohort Organized Learning: Clustering Through Agreement
Title（参考訳）: Cohort Organized Learning: 合意を通じたクラスタリング
Abstract要約: Cohort Learning (CoOL)は、明示的な距離や類似性計算なしにデータをクラスタリングする手法である。トレーニング中の収束をモニタリングし、トレーニング後のクラスタを評価する方法について説明する。 CoOLはニューラルネットワークを使用してクラスタを推定するため、互換性のある任意のデータをクラスタ化することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this article we describe Cohort Organized Learning (CoOL), a method for clustering data without explicit distance or similarity computations. Herein, we will describe CoOL, derive the gradients determined by expectation maximization to train the networks, show how to monitor convergence during training and evaluate the clusters after training, and discuss a series of examples and use cases. We also discuss CoOL's limitations and future prospects on related tasks. Because CoOL uses neural networks to estimate the clusters, it can be used to cluster any data that can be made compatible and we illustrate this on vector data and images.
Abstract（参考訳）: 本稿では,Chort Organized Learning(CoOL)について述べる。これは,明示的な距離や類似性計算を伴わずにデータをクラスタリングする手法である。本稿では,ネットワークをトレーニングするための予測最大化によって決定される勾配を導出し,トレーニング中の収束をモニタリングし,トレーニング後のクラスタを評価する方法を示し,一連の事例とユースケースについて議論する。また,CoOLの限界と今後の課題についても論じる。 CoOLはニューラルネットワークを使ってクラスタを推定するため、互換性のある任意のデータをクラスタリングすることができる。

関連論文リスト

Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
論文参考訳（メタデータ） (2025-03-16T09:38:11Z)
An Empirical Study into Clustering of Unseen Datasets with Self-Supervised Encoders [34.000135361782206]
トレーニングされていないデータセットに事前トレーニングされたイメージモデルをデプロイし、それらの埋め込みが意味のあるクラスタを形成するかどうかを調査します。この評価は、教師付きモデルに異なる特徴を優先する自己教師付きモデルの埋め込みに関する新たな洞察を提供する。
論文参考訳（メタデータ） (2024-06-04T16:34:17Z)
End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
論文参考訳（メタデータ） (2024-01-11T15:22:55Z)
CueGCL: Cluster-aware Personalized Self-Training for Unsupervised Graph Contrastive Learning [49.88192702588169]
本稿ではクラスタリング結果とノード表現を協調的に学習するクラスタ対応グラフコントラスト学習フレームワーク(CueGCL)を提案する。具体的には、教師なしシナリオのためのパーソナライズされた自己学習(PeST)戦略を設計し、クラスタレベルのパーソナライズされた正確な情報をモデルが取得できるようにする。本稿では,モデルの有効性を理論的に実証し,クラスタ構造が著しく識別可能な埋め込み空間が得られることを示した。
論文参考訳（メタデータ） (2023-11-18T13:45:21Z)
HPSCAN: Human Perception-Based Scattered Data Clustering [15.217526822318428]
本稿では,分散データを直接操作する学習戦略HPSCANを提案する。我々は、我々のデータセットの収集方法、得られたアノテーションの統計を報告し、実世界のデータに対するクラスタ分離の知覚的合意について調査する。
論文参考訳（メタデータ） (2023-04-27T13:41:12Z)
Deep Temporal Contrastive Clustering [21.660509622172274]
本稿では,時間差の深いクラスタリング手法を提案する。対照的な学習パラダイムを、ディープ時系列クラスタリング研究に取り入れている。様々な時系列データセットの実験は、最先端技術に対する我々のアプローチの優位性を実証している。
論文参考訳（メタデータ） (2022-12-29T16:43:34Z)
You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文参考訳（メタデータ） (2021-06-03T14:59:59Z)
Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文参考訳（メタデータ） (2021-04-03T15:32:49Z)
Consensus Clustering With Unsupervised Representation Learning [4.164845768197489]
我々はBootstrap Your Own Latent(BYOL)のクラスタリング能力について検討し、BYOLを使って学習した機能がクラスタリングに最適でないことを観察する。本稿では,新たなコンセンサスクラスタリングに基づく損失関数を提案するとともに,クラスタリング能力を改善し,類似のクラスタリングに基づく手法より優れたBYOLをエンド・ツー・エンドで学習する。
論文参考訳（メタデータ） (2020-10-03T01:16:46Z)
LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文参考訳（メタデータ） (2020-06-17T17:58:10Z)
Deep Goal-Oriented Clustering [25.383738675621505]
クラスタリングと予測は、教師なしおよび教師なし学習の分野における2つの主要なタスクである。サイドインフォメーションによる監視を併用してデータをクラスタリングする確率的フレームワークであるDeep Goal-Oriented Clustering (DGC)を紹介した。我々は,最先端技術に匹敵する予測精度を達成し,データセットに対するモデルの有効性を示す。
論文参考訳（メタデータ） (2020-06-07T20:41:08Z)
Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
本稿では,最適コンセンサスを近似する凝集分析法を提案する。本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
論文参考訳（メタデータ） (2020-05-12T05:39:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。